-
公开(公告)号：CN116128896A
公开(公告)日：2023-05-16
申请号：CN202310121353.6
申请日：2023-02-13
Applicant: 广东技术师范大学 , 广州市妇女儿童医疗中心
IPC: G06T7/11 , G06T7/00 , G06N3/084 , G06N3/0455
Abstract: 本发明公开了一种早产儿视网膜病变典型病灶自动分割方法，包括以下步骤：S1、收集ROP图像，筛除其中不合格的图像，将合格的ROP图像打标签后作为ROP病灶分割数据集，将数据集划分为训练集、验证集和测试集；S2、构建深度神经网络模型；S3、对训练集进行预处理后使用训练集对深度神经网络模型进行训练，计算损失，对网络参数进行优化，经过若干次迭代后得到最优模型；S4、使用测试集对最优模型进行测试，得到该模型在测试集上的分割性能评价指标。本方法与传统技术相比，能够更好的区分背景和4种病灶结构，降低误判率，实现ROP眼底图病灶的自动像素级分割，最终达到提高网络分割性能的目标。
-
公开(公告)号：CN107577788B
公开(公告)日：2021-12-31
申请号：CN201710833641.9
申请日：2017-09-15
Applicant: 广东技术师范大学
IPC: G06F16/958 , G06F16/25 , G06F16/31
Abstract: 本发明涉及一种自动结构化数据的电商网站主题爬虫方法，其特征在于包括以下步骤：传入入口地址以触发工作系统，所述工作系统中设有模块分析系统；模块分析系统进入工作状态，抓取工作也同期开启，以等待主线程的任务；模块分析系统对网站的新旧进行判断，如是旧网站则使用先前分析产生的规则进行分析解析；如是新网站则交由模块分析系统内的结构分析器，结构分析器根据预设的匹配模板，逐步分析出列表数据、目标字段的位置信息，并将产生的XPath存储在分析器实例中；最后进行爬虫的运作流程以完成结构化。该方法不但能够快速的获得多个站点的大量数据，而且能将焦点更多地放在结构化数据的处理和信息挖掘上。
-
公开(公告)号：CN109976453A
公开(公告)日：2019-07-05
申请号：CN201910252387.2
申请日：2019-03-29
Applicant: 广东技术师范大学
Abstract: 本发明公开了一种新型笔记本电脑及其使用方法，该新型笔记本电脑包括主机和显示屏，所述显示屏通过空心伸缩杆与所述主机转动连接，所述显示屏的输入端与所述主机的输出端通过排线电连接，所述排线设于所述空心伸缩杆内，所述显示屏中固定内嵌有用于收纳所述空心伸缩杆的收纳仓，所述主机中固定内嵌有语音键盘模块以及用于收纳所述排线的排线盒，所述排线盒中设有卷线装置，所述排线卷绕在所述卷线装置上，所述语音键盘模块与所述主机电连接。本发明既能够自由调节显示屏的升降高度，又能够通过语音控制电脑实现相应功能来替代用户手动操作键盘鼠标，使用户以更舒适的姿态使用笔记本电脑，有效降低用户患上颈椎病、腱鞘炎等疾病的概率。
-
公开(公告)号：CN113963217B
公开(公告)日：2024-10-01
申请号：CN202111358270.6
申请日：2021-11-16
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06V10/82 , G06V10/772 , G06T3/40 , G06T5/70 , G06T5/50 , G06T7/00 , G06T7/238 , G06N3/0464 , G06N3/045 , G06N3/0499 , G06N3/0895
Abstract: 本发明公开了一种融合弱监督度量学习的前房角图像分级方法，包括以下步骤：S1：获取前房角图像并进行图像筛选；S2：对筛选后的图像进行预处理得到前房角数据集，所述前房角数据集包括：训练集、验证集、测试集；S3：分别构建图像级标签、像素级标签，对前房角数据集中的图像对应设置所建立的标签；S4：构建融合弱监督度量学习的深度神经网络模型；S5：利用训练集、验证集对所构建的模型进行训练和验证，得到最优的网络模型；S6：将测试集输入至最优的网络模型，得到前房角图像分级。本发明能够快速准确的实现前房角图像分级。
-
公开(公告)号：CN118447063A
公开(公告)日：2024-08-06
申请号：CN202410704847.1
申请日：2024-06-03
Applicant: 广东技术师范大学
IPC: G06T7/33 , G06T7/10 , G06V10/40 , G06V10/774
Abstract: 本发明公开了一种基于膨胀血管约束和度量学习的视网膜图像配准方法，涉及医学图像处理技术领域，包括：获取原始视网膜图像集，构建初始视网膜图像配准模型；对原始视网膜图像进行预处理和血管分割，分别获得视网膜图像对和膨胀血管掩码图像对，再获得关键点特征图像对，确定关键点特征图像对之间的匹配点对；为保证相似度高的关键点有效区分，添加基于度量学习的描述符损失函数，并构建总训练目标损失函数，利用总训练目标损失函数对初始视网膜图像配准模型进行训练优化，得到训练好的视网膜图像配准模型；将待配准视网膜图像对输入到配准模型中，输出两幅图像之间的配准关系。本发明能够实现视网膜图像关键点的有效识别与表示，能有效提升视网膜图像配准性能。
-
Patent Agency Ranking
公开(公告)号：CN118447013A
公开(公告)日：2024-08-06
申请号：CN202410704944.0
申请日：2024-06-03
Applicant: 广东技术师范大学
IPC: G06T7/00 , G06V10/774 , G06V10/82 , G16H50/20
Abstract: 本发明涉及眼部医学影像检测领域，更具体，公开了一种基于多任务学习的早产儿视网膜病变自动分区方法，包括以下步骤：对早产儿视网膜病变图像中视盘和黄斑坐标进行标注；对标注好的早产儿视网膜病变图像进行数据预处理并划分为训练集和验证集，建立网络模型，将数据增强后的数据放入网络中得到输出结果，计算训练的输出结果与真实标签之间的误差，训练完成后，在验证集上评估模型的性能，计算黄斑和视盘定位的平均欧式距离误差，基于早产儿视网膜病变分区定义实现早产儿视网膜病变自动分区，本发明利用一种基于多任务学习的早产儿视网膜病变分区方法实现早产儿视网膜病变自动分区，利用两个任务之间的相关性实现视盘和黄斑中心定位任务之间的相互指导，有助于优化视盘和黄斑中心的定位任务，进而提高了定位的准确性和分区的精度，解决了计算机辅助诊疗早产儿视网膜病变的问题。
-
公开(公告)号：CN115423790A
公开(公告)日：2022-12-02
申请号：CN202211138484.7
申请日：2022-09-19
Applicant: 广东技术师范大学
Abstract: 本发明公开一种基于视觉文本融合的前房角图像分级方法，包括以下步骤：S1：构建前房角图像数据集；S2：对所述前房角图像数据集中的图像进行预处理；S3：构建基于视觉本文融合的深度神经网络模型并初始化；S4：初始化损失函数和优化器；S5：利用步骤S2中预处理后的前房角图像数据集对步骤S3的基于视觉本文融合的深度神经网络模型进行训练，并计算损失函数；S6：使用优化器更新基于视觉本文融合的深度神经网络模型的网络参数，得到最优的基于视觉本文融合的深度神经网络模型；S7：利用最优的基于视觉本文融合的深度神经网络模型对前房角图像进行分级。本发明在一定程度上解决了计算机辅助诊疗青光眼的问题。
-
公开(公告)号：CN113963217A
公开(公告)日：2022-01-21
申请号：CN202111358270.6
申请日：2021-11-16
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06V10/82 , G06V10/772 , G06K9/62 , G06T3/40 , G06T5/00 , G06T5/50 , G06T7/00 , G06T7/238 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种融合弱监督度量学习的前房角图像分级方法，包括以下步骤：S1：获取前房角图像并进行图像筛选；S2：对筛选后的图像进行预处理得到前房角数据集，所述前房角数据集包括：训练集、验证集、测试集；S3：分别构建图像级标签、像素级标签，对前房角数据集中的图像对应设置所建立的标签；S4：构建融合弱监督度量学习的深度神经网络模型；S5：利用训练集、验证集对所构建的模型进行训练和验证，得到最优的网络模型；S6：将测试集输入至最优的网络模型，得到前房角图像分级。本发明能够快速准确的实现前房角图像分级。
-
公开(公告)号：CN116664932A
公开(公告)日：2023-08-29
申请号：CN202310623858.2
申请日：2023-05-29
Applicant: 广东技术师范大学
IPC: G06V10/764 , G06V10/774 , G06V10/778 , G06V10/82 , G06N3/091 , G06N3/0895 , G06N3/084 , G06N3/0985
Abstract: 本发明在结直肠癌肿瘤病理组织图像分类领域公开了一种基于主动学习的结直肠癌肿瘤病理组织分类方法，该方法包括以下步骤：收集结直肠癌组织图像，筛除不合格的图像；将所有图像划分为训练集、验证集以及测试集；对训练集中极小部分结直肠癌病理图像做图像级标注；并将所有图像划分为训练集、验证集以及测试集；建立一种深度学习模型；初始已化标注池及未标注池，利用已标注池中的样本训练网络；利用本轮训练好的模型对未标注池的样本进行预测；筛选出满足查询函数条件的样本进行标注；本发明利用一种基于主动学习的深度神经网络实现结直肠癌肿瘤病理组织图像分类，在一定程度上解决了计算机辅助结直肠癌病理诊断的问题。
-
公开(公告)号：CN116051471A
公开(公告)日：2023-05-02
申请号：CN202211625756.6
申请日：2022-12-16
Applicant: 广东技术师范大学
Abstract: 本发明公开了一种基于糖尿病视网膜病变的极小病灶自动分割方法、系统及计算机可读存储介质，方法包括：S1：获取DR眼底图数据集；S2：对所述数据集中的图像和对应的真实标签进行预处理，利用图像的真实标签得到第一特征级标签、第二特征级标签；S3：将预处理后的图像、真实标签、第一特征级标签、第二特征级标签划分为训练集、验证集和测试集，并构建带有辅助分割模块的分割网络模型；S4：利用训练集和验证集对分割网络模型进行训练，得到训练后的分割网络模型；S5：将测试集输入训练好的分割网络模型输出分割结果，并将输出结果与真实标签对比，得到分割评价指标。本发明能够更好的区分背景与病灶结构，实现对背景和病灶的像素级分割。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.045 seconds)
